Обсуждение:Метрики качества детекции объектов

Цель статьи — объяснить, почему оценка качества детекторов объектов существенно отличается от оценки обычных классификаторов, познакомить читателя с основными метриками и показать взаимосвязь между ними.

Рекомендуемая структура:

• краткое введение с мотивацией задачи оценки качества детекторов;
• почему точность классификации (Accuracy) неприменима для задачи детекции объектов;
• критерий совпадения ограничивающих прямоугольников — Intersection over Union (IoU);
• понятия True Positive, False Positive и False Negative в задаче детекции;
• метрики Precision и Recall;
• кривая Precision–Recall;
• Average Precision (AP);
• Mean Average Precision (mAP);
• особенности вычисления mAP в наборах данных PASCAL VOC и MS COCO;
• достоинства и ограничения существующих метрик;
• разделы «См. также» и «Литература».

Особое внимание удели логической связи между метриками. Покажи, что IoU используется для определения корректности детекции, на основе IoU вычисляются TP, FP и FN, затем строится кривая Precision–Recall, из которой получается Average Precision, а усреднение AP по всем классам образует mAP.

При необходимости используй математические обозначения, но не перегружай статью формулами. Все математические выражения оформляй только через теги <tex>...</tex>. Основной акцент сделай на интуитивном понимании смысла каждой метрики и её практическом использовании.

Стиль — академичный, ясный и энциклопедический. Не используй рекламные формулировки, разговорные обороты, нейросетевые штампы и обращения к читателю. Не упоминай, что текст сгенерирован искусственным интеллектом, кроме обязательного предупреждения в начале статьи.

Используй вики-разметку MachineLearning.ru выдай только сырой вики-код;